Metodología de segmentación de instancias multiplano para la detección de tromboembolismo pulmonar

Abstract

La tromboembolia pulmonar (TEP) es una condición clínica que, al no ser detectada a tiempo, presenta unas altas tasas de mortalidad y morbilidad. La detección asistida por computador es una herramienta que busca apoyar a los radiólogos en su detección por medio del diagnóstico mediante la revisión de la angiotomografía pulmonar computarizada (CTPA). En los últimos años se han presentado modelos, algoritmos, e iniciativas que constituyen notables aportes a este campo del conocimiento al utilizar métodos de Deep Learning, pero en el que aún existen algunos retos por superar para obtener mejores resultados. Por esta razón se realizó una revisión de los avances que en los últimos tres años se han presentado sobre técnicas de detección de TEP utilizando modelos de Deep Learning. Una vez realizada esta búsqueda se seleccionó el modelo Probability-based Mask R-CNN que, de manera preliminar, obtiene unas altas métricas de desempeño. Con el modelo seleccionado se propuso y se implementó una metodología que no sólo considera los cortes axiales de las imágenes de CTPA, sino que también lo hace con los cortes sagitales y coronales. Como resultado, se diseñó un método de segmentación de instancias multiplano en el que se combinan los resultados de tres modelos de segmentación de cortes entrenados para cada plano de una imagen CTPA. Después se adelantaron unas operaciones de unificación sobre los volúmenes resultantes de la inferencia con los modelos entrenados, y se evidenció un aporte que supera el desempeño de los modelos individuales. Al realizar una prueba con las imágenes CTPA de tres pacientes, el volumen unificado con la operación de la unión alcanzó un porcentaje de detección promedio del 48% frente al 43% del modelo axial, el 6.3% del sagital y el 4.8% del modelo coronal. Estos resultados son prometedores, y mediante la mejora de los diferentes pasos de la metodología se podría obtener una solución que facilite el apoyo a los radiólogos en la detección de TEP.

Pulmonary embolism (PE) is a clinical condition with high rates of mortality and morbidity without a prompt detection. Computer Aided Detection (CAD) systems are tools supporting the radiologist in detecting and diagnosing PE using Computed Tomography Pulmonary Angiography (CTPA) images. In the last few years, there has been multiple contributions in this field using Deep Learning models and methods, yet there are various challenges to overcome to obtain better results. Therefore a literature review of the last three years about advances in PE detection using Deep Learning methods was conducted. As a result of the literature review, the Probability-based Mask R-CNN model was selected as a started point due to the adaptation made to the Mask R-CNN instance segmentation algorithm resulting in promising preliminary results. Using the selected model, a methodology was proposed and implemented taking into consideration not only the axial slices of the CTPA images, but also the sagittal and coronal slices providing additional information to the process. As a result of this exercise, a multiplanar instance segmentation method was developed merging the results of three segmentation models trained for each of the three CTPA image planes. After this step, the outputs of the three models were merged using different operations where an additional contribution surpassing the detection of each individual model. Finally, testing with the CTPA images of three patients and merging with the union operation resulted in a mean positive percentage detection of 48% against 43% of the axial model, 6.3% of the sagittal model and 4.8% of the coronal model. The intersection and majority operations also managed to obtain contributions from the three models, allowing to focus on specific areas. The result of this approach is promising and could improve the assistance to the radiologist with the detection of PE. Also, various steps of the methodology can be improved in future works.